Gemini API режет документы и видео на куски и берёт деньги только за них
Как отправить в Gemini только нужные страницы, листы и минуты и сколько это экономит.
Google 18 ноября дала разработчикам в Gemini API возможность «нарезать» файлы: из PDF, документа Word или презентации можно отправить модели только выбранные страницы, из таблицы Excel — конкретный лист и диапазон ячеек, из видео и аудио — отрезок по времени. Вдобавок можно выбрать слой содержимого: картинки страниц, извлечённый текст, формулы, кадры, звук или расшифровку. Токены, а значит и деньги, считаются только за отправленный кусок.
Для тех, кто строит RAG и агентов над офисными документами, это прямая экономия и меньше кода. Раньше, чтобы показать модели пять страниц из отчёта на 300 страниц, приходилось самому резать PDF или конвертировать документ в текст. Теперь файл загружается один раз через Files API, а нужный фрагмент описывается в запросе. Та же нарезка работает и в ответах функций, поэтому агент может сам «листать» документ по частям.
Ключевые выводы
- Новый параметр processing у блоков document, video и audio задаёт страницы, лист и ячейки, временной отрезок и слои содержимого; работает на всех моделях Gemini 3 и Gemini 4+.
- Оплачиваются только выбранные страницы, листы, отрезки и слои; модель при этом видит общее число страниц и названия листов.
- Страница стоит около 280, 560 или 1 120 токенов при разрешении low, medium (по умолчанию) или high; 300 страниц на medium — около 168 тыс. токенов.
- Ограничения файла прежние и считаются по всему файлу: до 50 МБ, до 1 000 страниц PDF, до 2 000 страниц или слайдов Office, до 50 тыс. ячеек на лист.
- Поддержка DOCX, PPTX и XLSX появилась раньше: 18 ноября Google объявила её вместе с нарезкой, а 5 ноября добавила PPT, ODP и ODS.
Что нового, а что было и раньше?
В записи журнала изменений от 18 ноября Google пишет, что «теперь можно» передавать файлы Microsoft Office и OpenDocument напрямую. Но по тому же журналу поддержка Office появилась раньше: 5 ноября Google добавила форматы PPT, ODP и ODS, а для DOCX, DOTX, ODT, PPTX, XLSX и XLS обработка тогда, по её словам, «не изменилась». В тот же день ответы функций научились возвращать модели Office-файлы, аудио и видео. По-настоящему новое 18 ноября — нарезка и выбор слоёв.
Сейчас Gemini API принимает десять офисных форматов: документы .docx, .doc, .dotx, .odt, презентации .pptx, .ppt, .odp и таблицы .xlsx, .xls, .ods. Передаются они так же, как PDF: блоком типа document с соответствующим MIME-типом, inline или через Files API. TXT, Markdown, HTML и XML по-прежнему читаются как простой текст, без вёрстки и графиков.
Если параметр processing не указан, файл обрабатывается целиком, и поведение зависит от поколения модели:
Как Gemini читает офисные файлы без настроек
4 сервиса, 3 столбца
Листайте столбцы →Смахните влевоВсе 3 столбца
Источник: документация Gemini API, раздел Office and OpenDocument files
Отсюда практический вывод, который легко пропустить: при переходе на Gemini 4 документ Word по умолчанию начинает читаться как набор картинок страниц, а не как текст. Для длинных документов это заметно больше токенов, и как раз здесь нарезка и выбор слоя помогают.
Как вырезать страницы, листы и ячейки?
Нарезка задаётся объектом processing с типом static прямо в блоке файла (документация). Для PDF, документов и презентаций используется page_options (раздел о страницах):
start_pageиend_page— диапазон страниц, нумерация с 1, обе границы включительно. Ноль или отрицательное число дают ошибку400 INVALID_ARGUMENT, начало за пределами документа даёт пустой срез, а слишком большой конец обрезается до последней страницы.content_layers— что отдать модели:page_image(картинка страницы),page_text(извлечённый текст) или оба слоя. Если processing задан, по умолчанию берётся только картинка.resolutionво внешнем блоке —low,mediumилиhigh: около 280, 560 или 1 120 токенов на страницу.
Пример из документации, переведённый редакцией: модель получает только страницы с 3 по 7 отчёта в высоком разрешении.
Google сама советует двухпроходную схему для больших документов и презентаций: сначала прочитать файл слоем page_text, а затем запросить page_image в высоком разрешении только для страниц с графиками или плотной вёрсткой.
Для таблиц .xlsx, .xls и .ods есть spreadsheet_options (раздел о таблицах). sheet_index выбирает лист по порядку вкладок, начиная с 1; без него читаются все листы, до 50 тыс. ячеек на каждом. visible_cells принимает диапазон в нотации A1, например A1:G40. Слоёв три: data (вычисленные значения), formulas (исходные формулы) и visual (снимок листа с графиками и оформлением); по умолчанию берутся первые два. Так выглядит блок для проверки формул и графика на втором листе:
Как это работает с видео и аудио?
Для видео в режиме static задаются start_offset и end_offset строками с секундами, например "1200s" или "10.5s", частота кадров fps от 0 (не включая) до 24 и слои content_layers (документация по видео). Слоёв три: frames — кадры, оплачиваются по разрешению и частоте; audio — звуковая дорожка по аудиотарифу; transcript — расшифровка с таймкодами, оплачивается как текст. По умолчанию берутся кадры и звук.
Документация предлагает для длинных роликов сначала запросить только расшифровку, найти по ней нужные таймкоды, а потом отправить этот отрезок с кадрами. Второй шаг из примера Google: 45 секунд записи доклада с частотой 2 кадра в секунду, без звука.
Для аудио всё проще: в блоке audio задаются только start_offset и end_offset, и оплачивается только вырезанная длительность (документация по аудио). Начало за пределами записи даёт ошибку 400, конец обрезается до длины файла. Аудио по-прежнему стоит 32 токена в секунду, то есть 1 920 токенов в минуту, а в одном запросе можно передать до 9,5 часа звука.
Нарезку видео не стоит путать с агентным режимом, который поддерживают Gemini 4 Carbon, Gemini 4 Argon, 3.8 Flash, 3.6 Flash и 3.5 Flash-Lite. В агентном режиме модель сама решает, какие кадры и куски расшифровки загрузить, и, по оценке Google, тратит на длинных роликах до 88% меньше токенов. Нарезка в режиме static — ручное управление: отрезок выбирает разработчик, и счёт предсказуем заранее.
Зачем нарезка в ответах функций?
Самое интересное для агентов — что те же параметры работают внутри function_result (документация по вызову функций). Инструмент агента может вернуть не весь файл, а запрошенные страницы, диапазон ячеек или отрезок видео. Модель автоматически получает метаданные файла — общее число страниц и названия листов — и может на следующем шаге попросить другой диапазон.
В примере Google разработчик объявляет функцию inspect_document_pages с параметрами start_page и end_page. Модель вызывает её, а код в ответ отдаёт тот же PDF из Files API с page_options, собранными из аргументов вызова. Получается «пагинация» по документу, которой управляет сама модель: ей не нужно держать в контексте весь файл, чтобы найти нужный раздел.
Сколько это экономит на деле?
Google обещает, что с параметрами processing токены считаются и оплачиваются только за выбранные страницы, листы и слои. Посчитаем на примере. Отчёт на 300 страниц в разрешении medium по умолчанию — около 560 токенов на страницу, или около 168 тыс. токенов. При цене ввода Gemini 4 Hydrogen $1,5 за 1 млн токенов это около $0,25 за каждый запрос с полным документом. Пять нужных страниц — около 2 800 токенов, то есть меньше полуцента. Если же агент обращается к документу десятки раз за сессию, разница становится заметной.
Для видео ориентиры такие: в режиме static около 100 токенов на секунду при разрешении по умолчанию и около 300 при высоком (технические детали). Час записи — порядка 360 тыс. токенов, пятиминутный отрезок — около 30 тыс. Это расчёт редакции по документации; реальное число зависит от разрешения, частоты кадров и выбранных слоёв.
Есть и оговорки. Лимиты по размеру применяются ко всему загруженному файлу, даже если нужен один лист: до 50 МБ на файл, до 1 000 страниц на PDF и до 2 000 страниц или слайдов на офисный файл. Страницы рендерятся в картинки около 2 мегапикселей (288 DPI), и разрешение исходника на цену не влияет. А для моделей Gemini 2.5 Google указывает фиксированные 258 токенов на страницу; нарезка, по документации, работает только на Gemini 3 и новее.
Что сделать, чтобы попробовать?
- Проверить доступ: Gemini API официально не поддерживается в России, её нет в списке регионов.
- Загрузить большой файл через Files API один раз и дальше ссылаться на его URI с разными параметрами processing, а не пересылать файл inline.
- Для длинных документов сначала прочитать их слоем page_text, а page_image в высоком разрешении запрашивать только для страниц с графиками.
- Для таблиц явно указывать sheet_index и visible_cells: без них модель получает все листы.
- При переходе с Gemini 3 на Gemini 4 проверить расход токенов на DOCX и PPTX: по умолчанию они теперь читаются картинками страниц.
- В агентах вернуть из инструмента файл с page_options вместо целого документа и дать модели самой запрашивать следующие страницы.
Google не уточнила, будут ли нарезка и выбор слоёв перенесены в старый метод generateContent: все примеры в документации написаны для Interactions API. Неделей раньше компания вывела в общий доступ Gemini 4 Hydrogen — на ней построены все примеры документации к новой функции. Про другие способы работы с видеозаписями мы писали в обзоре инструментов расшифровки.
Источники: Gemini API: журнал изменений, 18 ноября 2026, Document understanding: Customize processing, Video understanding: Customize video processing, Audio understanding: Clip audio intervals, Function calling: Slice and inspect files